根据Clavien-Dindo分类对与手术相关的不良事件进行分级的自动化算法的性能:系统性审查

科学领域:

• 医疗信息学 医疗信息学
• 手术结果研究研究.
• 医疗保健中的人工智能

背景情况:

• 手术后不良事件 (AE) 显著影响患者的治疗结果和医疗保健费用.
• 使用Clavien-Dindo分类 (CDC) 手动分类手术并发症是耗时的,容易变化.
• 自动化工具为一致的并发症评估提供了可扩展的解决方案.

研究的目的:

• 系统地审查使用克拉维恩 - 丁多分类 (CDC) 的术后外科并发症分级的自动化算法.
• 评估基于规则的,机器学习 (ML) 和大语言模型 (LLM) /自然语言处理 (NLP) 方法的性能和一致性.

主要方法:

• 按照PRISMA 2020指南进行系统审查.
• 在PubMed,Embase,Scopus和Cochrane图书馆搜索了关于CDC自动评分与人类验证的研究.
• 提取了关于算法类型,样本大小,手术群体,性能指标和结果的数据.

主要成果:

• 包括三个涉及1661例病例的研究.
• 基于规则的算法实现了高达0.89.89的科恩 κ.
• 在ML模型中,严重并发症的AUC高达0.863 (CDC ≥III).
• 在LLM/NLP方法中,准确度达到了97%左右,而科恩的 κ高达0.92.

结论:

• 自动化算法表明,对于CDC的评分,与专家审稿人达成高度一致.
• 这些工具显示了可扩展,近乎实时的术后并发症监测的潜力.
• 由于有限的研究和手术环境的异质性,需要进一步的研究.